关于近邻保持算法LLE,LPP,NPE等算法的实现---流行学习

需要注意的是：

1、在基于流行学习的方法中，所谓的M=(I-W)*(I-W)'中的I是单位矩阵。而不是1

2、对于图W，我们将系数按照一列一列的形式放，并且，Sw = Train_Ma*Mg*Train_Ma';Sb = Train_Ma*Train_Ma';

3、NPE在各种情况下的识别错误率对比，

第一种：ORL_56x46.mat数据库，不用PCA降维，选取每类样本的前k个样本，投影后的样本也做了归一化,SRC使用的是DALM_fast( [solution status]=SolveDALM_fast(Train_data,test_sample,0.01);)

         结论：（1） 样本投影后，可能并不能增加识别率，反而会降低识别率。

                  （2） 虽然NPE是基于重构约束的，但是投影后的样本并不具备很好的表示效果，即投影后的样本在使用SRC识别时，同样识别率下降很厉害。

                  （3） cai deng的代码中我没有调节降维维度，所以可能会差一点吧！！！

样本个数	2	3	4	5	6
原始数据上KNN	77.81	79.29	78.33	77	75
NPE（有监督，k=train_num-1）KNN识别	77.81	78.21	78.75	79	76.25
NPE（无监督，k=train_num-1）KNN识别	78.44	80.71	85	86	86.25
原始数据SRC	76.88	79.29	77.08	78	73.75
NPE（有监督，k=train_num-1）SRC识别	77.19	78.21	78.75	79	76.25
NPE（无监督，k=train_num-1）SRC识别	78.44	82.86	85.42	86.5	90.63
our NPE 无监督 k=train_num-1 KNN dim=80		72.5			73.13
our NPE 有监督k=traiin_num-1 KNN dim=80		74.29			73.13
our NPE 无监督 k=train_num-1 SRC dim=80		74.29			74.38
our NPE 有监督 k=train_num-1 SRC dim=80		74.29			71.88

 

 

第二种：ORL_56x46.mat数据库，不用PCA降维，每类训练样本随机选取，循环20次，记录均值和标准差&#